Datenarchitekt: Markt
Stand 19. November 2026: offene Stellen Datenarchitekt — 620, 38% remote unter den Stellen mit Angabe des Arbeitsmodells; Mediangehalt in Stellenanzeigen $10.507/Monat (aus 81 Anzeigen mit Gehaltsangabe). Quelle: Zorky, täglich aktualisiert.
Data Architect — eine Architekturspezialisierung, die für das Design der Datenlandschaft einer Organisation verantwortlich ist: Datenmodelle, Datenflüsse, Speicherstrategie, Data Governance, Integration zwischen Systemen. Anders als ein Data Engineer (baut Pipelines hands-on) entwirft der Data Architect die Struktur: wie Daten modelliert werden, wo sie gespeichert werden, wie sie fließen, wem sie gehören, wie Governance funktioniert. Rollenfamilie: Data Architect (allgemein — verantwortet die Datenarchitektur eines Systems / einer Domäne), Senior / Principal Data Architect (unternehmensweite Datenarchitektur + Strategie), Data Warehouse Architect (DWH- / Analytics-fokussiert), Data Platform Architect (Design moderner Datenplattformen / Lakehouses), Data Modeler (Fokus auf Datenmodellierung — enger), Master Data Architect (MDM-Spezialisierung), Information Architect (Überschneidung — Data Governance + Informationsmanagement). Stack 2026: Datenmodellierung — Kernkompetenz: konzeptionelle / logische / physische Modelle, dimensionale Modellierung (Kimball — Star- / Snowflake-Schemas, Fakten + Dimensionen), 3NF / Inmon (normalisiertes Enterprise-DWH), Data Vault 2.0 (Hubs + Links + Satellites — für agiles Enterprise-DWH — beliebt 2026), One Big Table (OBT) / breite Tabellen (moderner Analytics-Trend). Tools: erwin Data Modeler (Enterprise-Klassiker), SqlDBM, dbdiagram.io, dbt (semantische Modelle + Lineage — wurde 2026 zur De-facto-Modellierungsschicht). Speicher / Plattformen: Cloud Data Warehouses, Databricks (Lakehouse — Delta Lake), Data Lakes (S3 / ADLS / GCS + offene Tabellenformate — Apache Iceberg / Delta Lake / Apache Hudi), ClickHouse (Echtzeitanalyse — beliebt in Russland — Herkunft Yandex). Russisch: Arenadata (Greenplum-basiert — DWH-Marktführer in Russland nach dem Rückzug von Teradata / Oracle), Yandex.Cloud DataLens. Datenarchitektur-Patterns: Data Warehouse (strukturierte Analytik), Data Lake (Rohdaten + Schema-on-Read), Lakehouse (Konvergenz von Warehouse + Lake — empfohlener Standard 2026 — Databricks / Snowflake), Data Mesh (dezentral — domänengeführte Datenprodukte — Zhamak Dehghani — für große Organisationen), Data Fabric (einheitliche, metadatengesteuerte Zugriffsschicht). Datenintegration: ETL vs. ELT (ELT dominiert 2026), CDC (Change Data Capture — Debezium), Data Streaming (Kafka — siehe auch Data Engineer), Vereinheitlichung von Batch + Streaming. Orchestrierung: Airflow / Dagster / Prefect (auf Architekturebene — nicht hands-on). Data Governance: Datenkatalog (Collibra / Alation / Atlan / DataHub Open Source / OpenMetadata), Data Lineage, Frameworks für Datenqualität (Great Expectations / Soda), Master Data Management (MDM) (Informatica MDM / Reltio), Datenklassifizierung + Datenschutz (Umgang mit PII / DSGVO / 152-FZ), Data Contracts (im Aufwind seit 2024+ — formalisieren Vereinbarungen zwischen Produzenten und Konsumenten). Semantic Layer: dbt Semantic Layer / Cube / Metrics Layer — Single Source of Truth für Kennzahlen. Modellierungsnotation: ER-Diagramme, ArchiMate (für den Enterprise-Kontext), Datenflussdiagramme. Domänenübergreifend: Der Data Architect arbeitet an der Schnittstelle zu Data Engineering (Umsetzung), Analytics / BI (Konsumenten), Enterprise Architecture (Organisationsebene), Security (Datenschutz). Laut Zorky 620 aktive Stellen mit ausdrücklichem Data-Architect-Umfang (enge Senior-Nische — der reale Pool ist wegen der Überschneidung mit Senior Data Engineer / Data Platform Engineer breiter). Top-Stack: cloud, aws, azure, enterprise architect, sql. Unter den Stellen mit angegebenem Arbeitsmodell sind 38% vollständig remote.
Datenstand:
Die wichtigsten Zahlen des Datenarchitekt-Markts: offene Jobs, Mediangehalt, beobachteter Fachkräftepool und Remote-Anteil.
Der Markt für Datenarchitekt hat derzeit 620 offene Rollen, davon 531 frisch beobachtet. Median salary $10.507/mo.
Unter den Stellen mit angegebenem Arbeitsmodell sind 38% vollständig remote. Die Arbeit in der Datenarchitektur (Modellierung + Entwurf + Cloud-Plattformen) ist remote-freundlich. Outsourcer — fast immer remote. Russische Banken — hybrid (Data Governance — Managementebene). Funktionsübergreifende Rolle → hybrid oft optimal. Internationale Tech-Unternehmen + Cloud-Datenanbieter — vollständig remote als Standard.
⚠ Gehalt bekannt bei 81 von 620 Stellen; Remote-Anteil aus 509 mit angegebenem Arbeitsformat; 531 als frische Beobachtungen gezählt; Trend und Besetzungsschwierigkeit werden nicht gezeigt
Zeitachse: Ausschreibungen und Quellen
Wie viele Datenarchitekt-Ausschreibungen jede Woche seit 1. Juni erschienen sind und aus wie vielen Quellen. Das untere Diagramm trennt Marktwachstum von Abdeckungswachstum: Ein Sprung in der Woche, in der neue Quellen angebunden wurden, bedeutet, dass wir mehr sehen — nicht, dass der Markt gewachsen ist.
Neue Ausschreibungen pro Woche
Diagrammdaten
| Zeitraum | Neue Ausschreibungen pro Woche |
|---|---|
| 2026-06-01 | 21 |
| 2026-06-08 | 26 |
| 2026-06-15 | 32 |
| 2026-06-22 | 70 |
| 2026-06-29 | 43 |
| 2026-07-06 | 65 |
| 2026-07-13 | 66 |
| 2026-07-20 | 63 |
| 2026-07-27 | 31 |
| 2026-08-03 | 45 |
| 2026-08-10 | 33 |
| 2026-08-17 | 47 |
| 2026-08-24 | 50 |
| 2026-08-31 | 36 |
| 2026-09-07 | 43 |
| 2026-09-14 | 64 |
| 2026-09-21 | 105 |
| 2026-09-28 | 102 |
| 2026-10-05 | 112 |
| 2026-10-12 | 288 |
| 2026-10-19 | 116 |
| 2026-10-26 | 151 |
| 2026-11-02 | 134 |
| 2026-11-09 | 120 |
Aktive Quellen pro Woche
Quellen im Zeitraum: 104. ▲ — Woche, in der viele neue Quellen angebunden wurden.
Diagrammdaten
| Zeitraum | Aktive Quellen |
|---|---|
| 2026-06-01 | 5 |
| 2026-06-08 | 4 |
| 2026-06-15 | 4 |
| 2026-06-22 | 13 |
| 2026-06-29 | 14 |
| 2026-07-06 | 21 |
| 2026-07-13 | 21 |
| 2026-07-20 | 21 |
| 2026-07-27 | 17 |
| 2026-08-03 | 23 |
| 2026-08-10 | 14 |
| 2026-08-17 | 17 |
| 2026-08-24 | 11 |
| 2026-08-31 | 10 |
| 2026-09-07 | 14 |
| 2026-09-14 | 15 |
| 2026-09-21 | 30 |
| 2026-09-28 | 28 |
| 2026-10-05 | 26 |
| 2026-10-12 | 29 |
| 2026-10-19 | 31 |
| 2026-10-26 | 31 |
| 2026-11-02 | 37 |
| 2026-11-09 | 38 |
Neue Quellen angebunden: 22. Juni +10 · 6. Juli +11 · alle Wochen (21) in der Tabelle
| Woche | Neue Quellen | Neue Ausschreibungen |
|---|---|---|
| 8. Juni | +1 | 26 |
| 15. Juni | +2 | 32 |
| 22. Juni | +10 | 70 |
| 29. Juni | +5 | 43 |
| 6. Juli | +11 | 65 |
| 13. Juli | +6 | 66 |
| 20. Juli | +8 | 63 |
| 27. Juli | +6 | 31 |
| 3. Aug. | +3 | 45 |
| 10. Aug. | +3 | 33 |
| 17. Aug. | +5 | 47 |
| 31. Aug. | +2 | 36 |
| 7. Sept. | +2 | 43 |
| 21. Sept. | +7 | 105 |
| 28. Sept. | +2 | 102 |
| 5. Okt. | +2 | 112 |
| 12. Okt. | +4 | 288 |
| 19. Okt. | +5 | 116 |
| 26. Okt. | +2 | 151 |
| 2. Nov. | +5 | 134 |
| 9. Nov. | +8 | 120 |
Die aktuelle Woche ist noch nicht vorbei und wird nicht gezeigt: Eine unvollständige Woche sähe wie ein Rückgang aus.
Woche = Datum der ersten Erfassung der Ausschreibung, alle Status; Ausschreibungen werden nach derselben Regel ausgewählt wie der Zähler dieser Seite. Quellen sind unterschiedliche Erfassungskanäle; ihre Namen werden nicht veröffentlicht.
Diagrammdaten
| Woche | Neue Ausschreibungen pro Woche | Aktive Quellen |
|---|---|---|
| 2026-06-01 | 21 | 5 |
| 2026-06-08 | 26 | 4 |
| 2026-06-15 | 32 | 4 |
| 2026-06-22 | 70 | 13 |
| 2026-06-29 | 43 | 14 |
| 2026-07-06 | 65 | 21 |
| 2026-07-13 | 66 | 21 |
| 2026-07-20 | 63 | 21 |
| 2026-07-27 | 31 | 17 |
| 2026-08-03 | 45 | 23 |
| 2026-08-10 | 33 | 14 |
| 2026-08-17 | 47 | 17 |
| 2026-08-24 | 50 | 11 |
| 2026-08-31 | 36 | 10 |
| 2026-09-07 | 43 | 14 |
| 2026-09-14 | 64 | 15 |
| 2026-09-21 | 105 | 30 |
| 2026-09-28 | 102 | 28 |
| 2026-10-05 | 112 | 26 |
| 2026-10-12 | 288 | 29 |
| 2026-10-19 | 116 | 31 |
| 2026-10-26 | 151 | 31 |
| 2026-11-02 | 134 | 37 |
| 2026-11-09 | 120 | 38 |
Gehälter im Zeitverlauf
Mediangehalt Datenarchitekt pro Woche, USD pro Monat.
Mediangehalt, USD pro Monat
Diagrammdaten
| Zeitraum | Median | Stellen mit Gehalt pro Woche (n) |
|---|---|---|
| 2026-09-28 | 9.982 | 14 |
| 2026-10-05 | 10.507 | 15 |
| 2026-10-12 | 10.416 | 21 |
| 2026-10-19 | 11.077 | 16 |
| 2026-10-26 | 11.584 | 32 |
| 2026-11-02 | 9.837 | 24 |
| 2026-11-09 | 8.274 | 20 |
Die Reihe beginnt am 28. Sept.: davor gibt es keine Daten.
Nur Ausschreibungen mit Gehalt in USD und bekanntem Zeitraum (Monat oder Jahr), 500–50.000 $ pro Monat. Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer — das heißt keine Daten, nicht null.
Diagrammdaten
| Woche | Median |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | 9.982 |
| 2026-10-05 | 10.507 |
| 2026-10-12 | 10.416 |
| 2026-10-19 | 11.077 |
| 2026-10-26 | 11.584 |
| 2026-11-02 | 9.837 |
| 2026-11-09 | 8.274 |
Remote-Arbeit im Zeitverlauf
Anteil der Datenarchitekt-Ausschreibungen mit vollständig remoter Arbeit, pro Woche.
Remote-Ausschreibungen, %
Diagrammdaten
| Zeitraum | Ortsunabhängig |
|---|---|
| 2026-06-01 | 83,3 |
| 2026-06-08 | 80 |
| 2026-06-15 | 75 |
| 2026-06-22 | 62,1 |
| 2026-06-29 | 64,7 |
| 2026-07-06 | 48,9 |
| 2026-07-13 | 35,5 |
| 2026-07-20 | 36,6 |
| 2026-07-27 | 47,8 |
| 2026-08-03 | 22,2 |
| 2026-08-10 | 34,4 |
| 2026-08-17 | 28,9 |
| 2026-08-24 | 25,5 |
| 2026-08-31 | 15,6 |
| 2026-09-07 | 10,3 |
| 2026-09-14 | 11,1 |
| 2026-09-21 | 32,6 |
| 2026-09-28 | 51,1 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 33,8 |
| 2026-10-19 | 34,3 |
| 2026-10-26 | 43,3 |
| 2026-11-02 | 26,8 |
| 2026-11-09 | 38,7 |
Der Anteil bezieht sich auf Ausschreibungen mit Angabe des Arbeitsmodells (remote, hybrid, Büro). Wochen mit weniger als 10 solchen Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | Ortsunabhängig |
|---|---|
| 2026-06-01 | 83,3 |
| 2026-06-08 | 80 |
| 2026-06-15 | 75 |
| 2026-06-22 | 62,1 |
| 2026-06-29 | 64,7 |
| 2026-07-06 | 48,9 |
| 2026-07-13 | 35,5 |
| 2026-07-20 | 36,6 |
| 2026-07-27 | 47,8 |
| 2026-08-03 | 22,2 |
| 2026-08-10 | 34,4 |
| 2026-08-17 | 28,9 |
| 2026-08-24 | 25,5 |
| 2026-08-31 | 15,6 |
| 2026-09-07 | 10,3 |
| 2026-09-14 | 11,1 |
| 2026-09-21 | 32,6 |
| 2026-09-28 | 51,1 |
| 2026-10-05 | 38,6 |
| 2026-10-12 | 33,8 |
| 2026-10-19 | 34,3 |
| 2026-10-26 | 43,3 |
| 2026-11-02 | 26,8 |
| 2026-11-09 | 38,7 |
Technologien im Zeitverlauf
Wie sich der Anteil der Datenarchitekt-Stellen verändert hat, die jede der Top-Technologien nennen.
Ausschreibungen mit der Technologie, %
Diagrammdaten
| Zeitraum | cloud | Azure | AWS |
|---|---|---|---|
| 2026-08-17 | 34,6 | 42,3 | 15,4 |
| 2026-08-24 | 26,1 | 26,1 | 13 |
| 2026-08-31 | — | — | — |
| 2026-09-07 | 28,6 | 19 | 14,3 |
| 2026-09-14 | 14,7 | 61,8 | 52,9 |
| 2026-09-21 | 47,5 | 33,9 | 22 |
| 2026-09-28 | 69,4 | 52,8 | 31,9 |
| 2026-10-05 | 59 | 32,5 | 47 |
| 2026-10-12 | 50,8 | 30,7 | 30,2 |
| 2026-10-19 | 60,5 | 48,8 | 26,7 |
| 2026-10-26 | 60,5 | 36,3 | 37,9 |
| 2026-11-02 | 66,7 | 35,3 | 32,4 |
| 2026-11-09 | 48,2 | 34,1 | 36,5 |
Die Reihe beginnt am 17. Aug.: davor gibt es keine Daten.
Anteil unter Ausschreibungen mit getaggtem Stack; die Reihe beginnt am 10. Aug.: davor wurden Stack-Tags anders vergeben. Wochen mit weniger als 20 getaggten Ausschreibungen bleiben leer.
Diagrammdaten
| Woche | cloud | Azure | Databricks | AWS | SQL |
|---|---|---|---|---|---|
| 2026-08-10 | — | — | — | — | — |
| 2026-08-17 | 34,6 | 42,3 | 23,1 | 15,4 | 19,2 |
| 2026-08-24 | 26,1 | 26,1 | 26,1 | 13 | 13 |
| 2026-08-31 | — | — | — | — | — |
| 2026-09-07 | 28,6 | 19 | 19 | 14,3 | 14,3 |
| 2026-09-14 | 14,7 | 61,8 | 14,7 | 52,9 | 2,9 |
| 2026-09-21 | 47,5 | 33,9 | 23,7 | 22 | 16,9 |
| 2026-09-28 | 69,4 | 52,8 | 34,7 | 31,9 | 37,5 |
| 2026-10-05 | 59 | 32,5 | 31,3 | 47 | 33,7 |
| 2026-10-12 | 50,8 | 30,7 | 27,5 | 30,2 | 29,1 |
| 2026-10-19 | 60,5 | 48,8 | 39,5 | 26,7 | 50 |
| 2026-10-26 | 60,5 | 36,3 | 35,5 | 37,9 | 37,1 |
| 2026-11-02 | 66,7 | 35,3 | 35,3 | 32,4 | 36,3 |
| 2026-11-09 | 48,2 | 34,1 | 41,2 | 36,5 | 42,4 |
Länder im Zeitverlauf
Wie sich der Anteil der Datenarchitekt-Stellen in jedem der Top-Länder pro Woche verändert hat.
Ausschreibungen im Land, %
Diagrammdaten
| Zeitraum | Vereinigtes Königreich | Polen | USA |
|---|---|---|---|
| 2026-06-01 | 9,5 | 71,4 | 19 |
| 2026-06-08 | 3,8 | 65,4 | 19,2 |
| 2026-06-15 | 3,2 | 71 | 3,2 |
| 2026-06-22 | 0 | 66,7 | 7,2 |
| 2026-06-29 | 2,5 | 50 | 15 |
| 2026-07-06 | 7,3 | 21,8 | 20 |
| 2026-07-13 | 2,2 | 17,8 | 22,2 |
| 2026-07-20 | 44,4 | 20,4 | 13 |
| 2026-07-27 | 30,8 | 26,9 | 3,8 |
| 2026-08-03 | 36,8 | 7,9 | 18,4 |
| 2026-08-10 | 51,7 | 6,9 | 3,4 |
| 2026-08-17 | 52,6 | 0 | 10,5 |
| 2026-08-24 | 71,1 | 2,2 | 4,4 |
| 2026-08-31 | 72,7 | 0 | 6,1 |
| 2026-09-07 | 68,4 | 0 | 2,6 |
| 2026-09-14 | 50 | 2 | 18 |
| 2026-09-21 | 20 | 10 | 21,1 |
| 2026-09-28 | 31,9 | 16,5 | 16,5 |
| 2026-10-05 | 29,6 | 19,4 | 13,3 |
| 2026-10-12 | 19,7 | 15,8 | 22,2 |
| 2026-10-19 | 23 | 14 | 20 |
| 2026-10-26 | 21 | 15,9 | 21,7 |
| 2026-11-02 | 24,3 | 11,3 | 24,3 |
| 2026-11-09 | 32,6 | 5,3 | 28,4 |
Anteil unter Ausschreibungen mit bekanntem Land; das Diagramm zeigt die fünf Länder mit den meisten Ausschreibungen über sechs Monate. Wochen mit weniger als 20 Ausschreibungen mit bekanntem Land bleiben leer. Ein steigender Anteil kann eine neu angebundene Quelle in diesem Land bedeuten statt Marktwachstum.
Diagrammdaten
| Woche | Vereinigtes Königreich | Polen | USA | Indien | Deutschland |
|---|---|---|---|---|---|
| 2026-06-01 | 9,5 | 71,4 | 19 | 0 | 0 |
| 2026-06-08 | 3,8 | 65,4 | 19,2 | 3,8 | 0 |
| 2026-06-15 | 3,2 | 71 | 3,2 | 6,5 | 0 |
| 2026-06-22 | 0 | 66,7 | 7,2 | 7,2 | 0 |
| 2026-06-29 | 2,5 | 50 | 15 | 7,5 | 2,5 |
| 2026-07-06 | 7,3 | 21,8 | 20 | 14,5 | 1,8 |
| 2026-07-13 | 2,2 | 17,8 | 22,2 | 26,7 | 6,7 |
| 2026-07-20 | 44,4 | 20,4 | 13 | 5,6 | 1,9 |
| 2026-07-27 | 30,8 | 26,9 | 3,8 | 15,4 | 0 |
| 2026-08-03 | 36,8 | 7,9 | 18,4 | 10,5 | 5,3 |
| 2026-08-10 | 51,7 | 6,9 | 3,4 | 6,9 | 3,4 |
| 2026-08-17 | 52,6 | 0 | 10,5 | 5,3 | 0 |
| 2026-08-24 | 71,1 | 2,2 | 4,4 | 8,9 | 2,2 |
| 2026-08-31 | 72,7 | 0 | 6,1 | 12,1 | 0 |
| 2026-09-07 | 68,4 | 0 | 2,6 | 13,2 | 0 |
| 2026-09-14 | 50 | 2 | 18 | 6 | 4 |
| 2026-09-21 | 20 | 10 | 21,1 | 7,8 | 3,3 |
| 2026-09-28 | 31,9 | 16,5 | 16,5 | 4,4 | 2,2 |
| 2026-10-05 | 29,6 | 19,4 | 13,3 | 7,1 | 9,2 |
| 2026-10-12 | 19,7 | 15,8 | 22,2 | 6,4 | 3 |
| 2026-10-19 | 23 | 14 | 20 | 11 | 5 |
| 2026-10-26 | 21 | 15,9 | 21,7 | 6,5 | 5,1 |
| 2026-11-02 | 24,3 | 11,3 | 24,3 | 1,7 | 10,4 |
| 2026-11-09 | 32,6 | 5,3 | 28,4 | 7,4 | 1,1 |
Bereinigter Markt: Einstellungsindex
Dieselben 7.505 Karriereseiten von Arbeitgebern; die Zahl der Ausschreibungen stammt direkt von der Seite. Neue Quellen bewegen diesen Index nicht — er zeigt den Markt, nicht unsere Abdeckung. Das ist der gesamte Panelmarkt, nicht nur Datenarchitekt.
Einstellungsindex, 16. Okt. = 100
Diagrammdaten
| Zeitraum | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Kettenindex: Jeder Tag vergleicht nur Seiten, die an diesem und am vorherigen Tag abgefragt wurden; Ausreißer und plattformweite Abfrageausfälle sind ausgeschlossen. Tage ohne vergleichbare Paare bleiben leer.
Diagrammdaten
| Tag | Einstellungsindex |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Wie viele offene Datenarchitekt-Jobs es gibt und wie viele passende Fachkräfte Zorky sieht.
Nachfrage und beobachtetes Angebot
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| Offene Nachfrage | 620 |
| Offene Nachfrage | 620 |
| Beobachtetes Angebot | — nicht veröffentlicht |
Data Architect — eine schmale Senior-Nische mit wachsender Nachfrage. Treiber 2026: Migration auf Cloud-Datenplattformen (Legacy-DWH → Snowflake / Databricks), Einführung von Lakehouses (Konvergenz von Warehouse + Lake), Data Mesh für große Organisationen, Druck durch Data Governance (DSGVO / 152-FZ / Datenverträge), KI/ML treibt die Nachfrage nach Datenqualität (gute Modelle brauchen gute Daten). Russische Banken + große Produktunternehmen + Einzelhandel + Telekommunikation dominieren. Russische Datenanbieter (Arenadata) wachsen durch Importsubstitution. Cloud-Datenanbieter (Snowflake / Databricks) — Premiumkanal.
⚠ zu einer Stelle passende Kandidaten werden noch nicht gezählt: gezeigt werden Nachfrage und der beobachtete Pool
Wie sich die Gehälter in Datenarchitekt-Jobs verteilen, in US-Dollar pro Monat.
Gehaltsverteilung
Diagrammdaten
| Kennzahl | Wert |
|---|---|
| <$1k | 0 |
| $1–2k | 2 |
| $2–3k | 0 |
| $3–4k | 1 |
| $4–5k | 3 |
| $5–6k | 4 |
| $6–7k | 6 |
| $7–8k | 8 |
| $8–9k | 9 |
| $9–10k | 5 |
| $10–12k | 15 |
| $12–15k | 10 |
| $15–20k | 13 |
| $20k+ | 5 |
- für die Berechnung nutzbar: 81 (13,1%)
- angegeben, aber nicht in USD/Monat umgerechnet: 91 (14,7%)
- nicht angegeben: 448 (72,3%)
Jede zehnte Stellenanzeige bietet unter $5.692, jede zehnte über $18.440. Die Hälfte der Anzeigen bietet zwischen $7.333 und $14.200. Stichprobe: 81.
Rolle auf Senior-Niveau. Niedrigere Level im Histogramm — falsch betitelte Stellen, nicht repräsentativ.
Diagrammdaten
| Kennzahl | Untergrenze | Obergrenze | Anzahl |
|---|---|---|---|
| <$1k | 0 | 1.000 | 0 |
| $1–2k | 1.000 | 2.000 | 2 |
| $2–3k | 2.000 | 3.000 | 0 |
| $3–4k | 3.000 | 4.000 | 1 |
| $4–5k | 4.000 | 5.000 | 3 |
| $5–6k | 5.000 | 6.000 | 4 |
| $6–7k | 6.000 | 7.000 | 6 |
| $7–8k | 7.000 | 8.000 | 8 |
| $8–9k | 8.000 | 9.000 | 9 |
| $9–10k | 9.000 | 10.000 | 5 |
| $10–12k | 10.000 | 12.000 | 15 |
| $12–15k | 12.000 | 15.000 | 10 |
| $15–20k | 15.000 | 20.000 | 13 |
| $20k+ | 20.000 | — | 5 |
In welchen Ländern es die meisten offenen Datenarchitekt-Jobs gibt.
Geografie der Nachfrage
| Land | Stellen | Anteil |
|---|---|---|
| Vereinigte Staaten | 129 | 25,1% |
| Vereinigtes Königreich | 94 | 18,3% |
| Polen | 77 | 15% |
| Indien | 41 | 8% |
| Deutschland | 26 | 5,1% |
| Kanada | 14 | 2,7% |
| Frankreich | 12 | 2,3% |
| Brasilien | 11 | 2,1% |
| Philippinen | 7 | 1,4% |
| Kolumbien | 7 | 1,4% |
| Übrige Länder | 96 | 18,7% |
Führend bei der Zahl der Stellen für Data Architect: die USA (129 Stellen). Russland — Banken + große Produktunternehmen + Einzelhandel + Telekommunikation + Outsourcer dominieren. Polen — für Data Architects freundlicher EU-Hub. Deutschland — Enterprise-Daten. Internationale Remote-Arbeit über Cloud-Datenanbieter (Snowflake / Databricks / Confluent) + Outsourcing nach EPAM-Vorbild.
⚠ nur Stellenzahlen: Gehalt nach Land wird nicht veröffentlicht
Diagrammdaten
| Land | Stellen |
|---|---|
| US | 129 |
| GB | 94 |
| PL | 77 |
| IN | 41 |
| DE | 26 |
| CA | 14 |
| FR | 12 |
| BR | 11 |
| PH | 7 |
| CO | 7 |
Welche Technologien am häufigsten im selben Job wie Datenarchitekt verlangt werden.
Wird zusammen verwendet mit
Anteil — wie viele der 620 Stellen im Markt Datenarchitekt diese Technologie nennen. Sortiert nach Stellenzahl, nicht nach „Stärke des Zusammenhangs“. Oberbegriffe wie cloud sind keine bestimmte Cloud (AWS, Azure).
Top-Data-Architect-Stack 2026: Datenmodellierung (dimensionale Modellierung nach Kimball + 3NF/Inmon + Data Vault 2.0 + One Big Table; Tools erwin / SqlDBM / dbdiagram / dbt), Cloud-Data-Warehouses (Snowflake führend + BigQuery + Redshift + Azure Synapse + Databricks Lakehouse + ClickHouse in Russland beliebt + russisches Arenadata), Data Lakes (S3/ADLS/GCS + offene Tabellenformate Iceberg/Delta Lake/Hudi), Muster der Datenarchitektur (Warehouse / Lake / Lakehouse Standard 2026 / Data Mesh / Data Fabric), Datenintegration (ETL vs. ELT dominiert + CDC Debezium + Kafka-Streaming), Orchestrierung (Airflow / Dagster / Prefect), Data Governance (Datenkataloge Collibra/Alation/Atlan/DataHub/OpenMetadata + Data Lineage + Datenqualität Great Expectations/Soda + MDM Informatica/Reltio + Data Contracts), semantische Schicht (dbt Semantic Layer / Cube), souveränes SQL, Modellierungsnotation (ER-Diagramme + ArchiMate + Datenflussdiagramme).
Häufige Paare: Snowflake + dbt + Airflow (Klassiker des modernen Data Stack), Databricks + Delta Lake + Spark (Lakehouse-Stack), Data Vault 2.0 + Snowflake + dbt (agiles Enterprise-DWH), dimensionale Modellierung nach Kimball + Cloud-DWH + BI (Fokus auf Analytik), ClickHouse + Kafka (Echtzeitanalytik — in Russland beliebt), Arenadata Greenplum + dbt (russischer Daten-Stack zur Importsubstitution), Iceberg + S3 + Trino (offenes Lakehouse). Lern-Roadmap: Senior Data Engineer werden (5+ Jahre — Voraussetzung) → Beherrschung der Datenmodellierung (Kimball + Data Vault) → SQL in der Tiefe → Cloud-Datenplattform (Snowflake / Databricks) → moderner Data Stack (dbt + Orchestrierung) → Muster der Datenarchitektur → Data Mesh (Buch von Dehghani) → Data Governance → offene Tabellenformate → semantische Schicht → Soft Skills.
Diagrammdaten
| Name | Anzahl |
|---|---|
| cloud | 282 |
| azure | 192 |
| databricks | 180 |
| aws | 170 |
| sql | 155 |
| python | 104 |
| snowflake | 100 |
| gcp | 75 |
| spark | 61 |
| dbt | 55 |
| bigquery | 53 |
| kafka | 52 |
Wie viele Datenarchitekt-Jobs es auf jeder Stufe gibt — von Junior bis Principal.
Nachfrage nach Level
| Level | Stellen |
|---|---|
| Principal | 212 |
| senior | 185 |
| lead | 45 |
| middle | 14 |
| junior | 4 |
Rolle auf Senior-Niveau (niedrigere Level = falsch betitelt; realistisch — Senior / Lead). Karriereweg: Senior Data Engineer (5+ Jahre Praxis) → Data Architect (über Datenmodellierung + Plattformdesign + Governance) → Senior / Principal Data Architect → dann entweder Chief Data Architect / Head of Data Architecture, Data-Platform-Lead, Enterprise Architect (Datendomäne) oder der Weg zum Chief Data Officer (CDO).
⚠ nur die Nachfrageseite: das Level des beobachteten Pools ist größtenteils unbekannt
Diagrammdaten
| Stufe | Anzahl |
|---|---|
| Principal | 212 |
| senior | 185 |
| lead | 45 |
| middle | 14 |
| junior | 4 |
Wer im Bereich Datenarchitekt am meisten einstellt und wie stark sich die Nachfrage auf die größten Unternehmen konzentriert.
Arbeitgeber
Die Nachfrage verteilt sich auf 468 Arbeitgeber. Der größte steht für 1.7 %, die Top Ten für 10.0 %; die übrigen 90.0 % sind Long Tail.
| Anteil | Wert |
|---|---|
| Top-1 | 1.7% |
| Top-3 | 4.5% |
| Top-10 | 10.0% |
| Long Tail | 90.0% |
⚠ Namen werden nicht angezeigt: Personalvermittler und Endarbeitgeber werden vom Klassifikator noch nicht unterschieden
Von welchen Unternehmensseiten und Jobbörsen Zorky Datenarchitekt-Jobs sammelt.
Wo Zorky diesen Markt sieht
Beobachtet in 59 Quellen; die größte steht für 9.5 % — dieser Markt hängt nicht an einem einzigen Kanal.
Diagrammdaten
| Klasse | Name | Englischer Name | Anzahl | Anteil |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & Karriereseiten | 374 | 0,6032 |
| board | джоб-борды и агрегаторы | Jobbörsen & Aggregatoren | 227 | 0,3661 |
| telegram | Telegram | Telegram | 19 | 0,0306 |
Die neuesten Datenarchitekt-Jobs von Karriereseiten der Unternehmen.
Neueste Ausschreibungen
- Data Architect · AZ
- Ness Technologies - Data Architect - Azure/Databricks · IN
- Data Architect
- Data Architect · GB
- Data Architect - Snowflake
- Senior Data architect (SC Cleared)
- Senior Data Architect · GB
- Senior Data Architect - Defence Digital Systems & Data Governance · GB
Die neuesten offenen Stellen für Data Architect — die jüngsten Positionen in der Stichprobe (enge Senior-Nische — der reale Markt ist durch die Überschneidung mit Senior Data Engineer breiter). Die vollständige Liste finden Sie in unserem CRM oder über den Link „Alle ansehen“ unten. Für einen breiteren Blick sehen Sie sich die Seiten data-engineer + solutions architect an.
Benachbarte Märkte
Data Architect überschneidet sich mit Data Engineer (~60% — der Architect fokussiert auf Entwurf, der Engineer auf Umsetzung), Enterprise Architect (~50% — Datenarchitektur ist eine der 4 TOGAF-Domänen), Database Administrator (~30% — DBA betreibt einzelne Datenbanken), Analytics / BI (Datenkonsumenten), Security (Datenschutz / Privatsphäre). Vergleich mit solutions/software/enterprise/security/integration — im SiblingSubnichesChart oben.
⚠ angrenzende Märkte zum Vergleich sind noch nicht definiert
So wird gemessen
- Stelle
- eine offene Stelle, die das Qualitäts-Gate passiert hat und mindestens zwei Technologien nennt
- Beobachteter Kandidat
- ein Kandidat, dessen Stack diese Technologie enthält; ein Aggregat — kein einziger Datensatz verlässt den Perimeter
- Matchbarer Kandidat
- noch nicht gezählt
- Fenster
- Stellen, die zum Zeitpunkt der Erstellung des Snapshots offen waren
Über die Daten
- Einige Aufschlüsselungen sind ausgeblendet: Die Datenabdeckung reicht noch nicht aus.
- Statistiken erscheinen nur, wo die Stichprobe eine Qualitätsschwelle passiert.
- Ein fehlender Block bedeutet nicht den Wert null.
Derzeit ausgeblendete Aufschlüsselungen: 8.
Richtung: Architektur
Verwandte Spezialisierungen
Innerhalb von Data Architect: Data Architect (allgemein — verantwortet die Datenarchitektur eines Systems / einer Domäne), Senior / Principal Data Architect (unternehmensweit + Strategie), Data Warehouse Architect (DWH- / Analytics-Fokus), Data Platform Architect (Design moderner Datenplattformen / Lakehouses), Data Modeler (Fokus auf Datenmodellierung — enger), Master Data Architect (Spezialgebiet MDM), Information Architect (Data Governance + Informationsmanagement). Vergleich mit solutions/software/enterprise/security/integration architect — im Balken unten.
Häufig gestellte Fragen
Die Antworten werden automatisch neu berechnet.
Was verdient ein Data Architect als Junior, Middle, Senior oder Lead?
Data Architect — eine Rolle der Senior-Stufe („Junior Data Architect“ gibt es selten; niedrigere Stufen = falsch betitelt — realistische Richtwerte siehe Senior / Lead). Karriereweg: Senior Data Engineer (5+ Jahre praktische Arbeit mit Datenpipelines + Warehouses) → Data Architect (über nachgewiesene Erfahrung in Datenmodellierung + Plattformentwurf + Governance) → Senior / Principal Data Architect → entweder Chief Data Architect / Head of Data Architecture, Data Platform Lead, Enterprise Architect (Datendomäne → breitere EA) oder die Laufbahn zum Chief Data Officer (CDO). Alternativer Einstieg: Database Administrator Senior + Tiefe in Datenmodellierung → Data Architect.
Welcher Stack / welche Fähigkeiten werden von einem Data Architect am häufigsten verlangt?
Top-Stack / -Fähigkeiten: cloud, aws, azure, enterprise architect, sql. Datenmodellierung — der Kern: konzeptionelle / logische / physische Modelle, dimensionale Modellierung (Kimball — Stern- / Schneeflockenschemata + Fakten/Dimensionen), 3NF / Inmon (normalisiertes Enterprise-DWH), Data Vault 2.0 (Hubs + Links + Satelliten — agiles Enterprise-DWH, beliebt 2026), One Big Table / breite Tabellen (moderne Analytik). Tools: erwin Data Modeler (Enterprise-Klassiker), SqlDBM, dbdiagram.io, dbt (semantische Modelle + Lineage — De-facto-Modellierungsschicht 2026). ClickHouse (Echtzeitanalytik — in Russland beliebt, stammt von Yandex). Russisch: Arenadata (auf Greenplum-Basis — DWH-Marktführer in Russland nach dem Rückzug von Teradata / Oracle). Data Lakes: S3 / ADLS / GCS + offene Tabellenformate (Apache Iceberg — auf dem Vormarsch 2026 / Delta Lake / Apache Hudi). Muster der Datenarchitektur: Data Warehouse / Data Lake / Lakehouse (empfohlener Standard 2026) / Data Mesh (dezentral, im Besitz der Domänen — Zhamak Dehghani) / Data Fabric (metadatengetriebener einheitlicher Zugriff). Datenintegration: ETL vs. ELT (ELT dominiert 2026), CDC (Change Data Capture — Debezium), Daten-Streaming (Kafka), Vereinheitlichung von Batch + Streaming. Orchestrierung: Airflow / Dagster / Prefect (Entscheidungen auf Architekturebene). Data Governance: Datenkatalog (Collibra / Alation / Atlan / DataHub Open Source / OpenMetadata), Data Lineage, Datenqualität (Great Expectations / Soda), Stammdatenmanagement MDM (Informatica MDM / Reltio), Datenklassifizierung + Datenschutz (PII / GDPR / 152-FZ), Data Contracts (auf dem Vormarsch 2024+). Semantische Schicht: dbt Semantic Layer / Cube — Single Source of Truth für Metriken. Souveränes SQL — Pflicht (ein Data Architect muss Abfragemuster + Performance verstehen). Soft Skills: Stakeholder-Management (Daten sind funktionsübergreifend), Kommunikation der Datenstrategie, Moderation der Governance.
Data Architect vs. Data Engineer vs. Enterprise Architect vs. DBA — was ist der Unterschied?
Data Engineer — baut Datenpipelines hands-on (Ingestion + Transformation + Orchestrierung) und setzt um, was der Data Architect entworfen hat. Siehe Data Engineer (allgemein). Data Architect (diese Seite) — entwirft die Datenlandschaft: Datenmodelle + Speicherstrategie + Datenflüsse + Governance. Auf Designebene, kein Hands-on-Coding von Pipelines. Database Administrator (DBA) — betreibt konkrete Datenbanken (Performance-Tuning + Backups + Replikation + Sicherheit). Operativ. Siehe Database Administrator (DBA) (sobald die Seite online ist). Enterprise Architect — unternehmensweite Technologielandschaft (Data Architecture — eine von 4 TOGAF-Domänen; der Data Architect ist oft = Domain Architect innerhalb der EA). Siehe Enterprise Architect. Karriereweg: Data Engineer Senior → Data Architect — ein natürlicher Weg. Data Architect → Enterprise Architect (Datendomäne) oder Chief Data Officer. Karrierewahl: Data Engineer, wenn Sie gern hands-on Pipelines bauen; Data Architect, wenn Sie Design + Modellierung + Governance + Strategie mögen; DBA, wenn Sie den Datenbankbetrieb in der Tiefe mögen; Enterprise Architect, wenn Sie Breite auf Organisationsebene über Daten hinaus wollen.
Muster der Datenarchitektur 2026 — Data Warehouse vs. Data Lake vs. Lakehouse vs. Data Mesh vs. Data Fabric?
Entscheidungsbaum für das Datenarchitektur-Pattern 2026: 1) Data Warehouse — strukturiert, Schema-on-Write, optimiert für Analytics / BI. Cloud-DWH: Snowflake / BigQuery / Redshift / Synapse. Vorteile: schnelle SQL-Analysen, ausgereiftes Tooling, erzwungene Datenqualität. Nachteile: nur strukturierte Daten, ETL vorab, teurer für Roh- / unstrukturierte Daten. Einsatzfall: BI / Reporting / strukturierte Analytik — auch 2026 noch Kern. 2) Data Lake — Rohspeicher, Schema-on-Read, beliebige Formate (strukturiert + unstrukturiert). S3 / ADLS / GCS. Vorteile: günstiger Speicher, flexibel, speichert alles. Nachteile: Risiko eines „Datensumpfs“ (ohne Governance — Chaos), keine SQL-Performance, kein ACID. Einsatzfall: Landing Zone für Rohdaten, ML-Trainingsdaten, Archivierung. Eigenständig 2026 selten. 3) Lakehouse — empfohlener Standard 2026. Konvergenz von Warehouse + Lake: Data-Lake-Speicher (S3 + offenes Tabellenformat — Delta Lake / Iceberg / Hudi) + Warehouse-ähnliche Funktionen (ACID-Transaktionen + SQL-Performance + Schema-Enforcement + Time Travel). Databricks (Delta Lake) / Snowflake (Iceberg-Unterstützung). Vorteile: eine Speicherschicht für BI + ML + Streaming, günstiger als ein reines DWH, keine Datenduplikation. Nachteile: jüngeres Ökosystem, die richtige Strategie für das Tabellenformat ist nötig. Einsatzfall: neue Datenplattformen 2026 — Standardwahl (vermeidet die Duplikation von Warehouse + Lake). 4) Data Mesh — organisatorisches / soziotechnisches Pattern, keine Technologie. Konzept von Zhamak Dehghani. 4 Prinzipien: domänenorientierte Verantwortung (Daten gehören den Domänenteams, nicht einem zentralen Datenteam), Daten als Produkt (jeder Datensatz — ein Produkt mit SLA / Doku / Qualität), Self-Service-Datenplattform, föderierte rechnergestützte Governance. Vorteile: skaliert organisatorisch (ein zentrales Datenteam ist in großen Organisationen ein Engpass), Domänenexpertise in der Datenverantwortung. Nachteile: erfordert organisatorische Reife, teuer in der Umsetzung, Overkill für kleine Organisationen. Einsatzfall: große Organisationen (viele Domänen, das zentrale Datenteam kommt nicht hinterher) — NICHT für kleine / mittlere (der organisatorische Overhead erstickt es). Wird oft übermäßig angewendet. 5) Data Fabric — metadatengesteuerte, einheitliche Datenzugriffsschicht über heterogene Quellen (vs. Data Mesh — Organisationsmuster, Data Fabric — Technologie- / Integrationsansatz). Aktive Metadaten + Knowledge Graph + automatisierte Datenintegration. Von Gartner vorangetriebenes Konzept. Einsatzfall: Organisationen mit vielen Legacy-Datensilos, die einheitlichen Zugriff brauchen, ohne alles zu migrieren. Standardempfehlungen 2026: Neue Datenplattform → Lakehouse (Databricks oder Snowflake + Iceberg). BI / strukturierte Analytik → Cloud-DWH (wenn ein Lakehouse Overkill ist). Roh- / ML-Daten → Data Lake als Teil des Lakehouse (nicht eigenständig). Große Organisation, das zentrale Datenteam ist der Engpass → Data Mesh (organisatorischer Wandel, keine Technik). Viele Legacy-Silos → Data Fabric (einheitliche Zugriffsschicht). Hauptprinzip: Das Pattern folgt der organisatorischen Realität + dem Maßstab — kein Cargo-Kult „Data Mesh, weil es trendy ist“.
Welcher Anteil der Stellen ist vollständig remote?
Unter den Stellen mit angegebenem Arbeitsmodell sind 38% vollständig remote. Stellen ohne Angabe des Arbeitsmodells sind vom Nenner ausgeschlossen; hybride Arbeit wird nicht als vollständig remote gezählt.
Worin unterscheidet sich Data Platform Architect von Data Architect?
Data Architect (allgemein) — Fokus auf Datenmodelle + Datenflüsse + Governance + Speicherstrategie (logische / konzeptionelle Ebene — „wie Daten strukturiert sind und fließen“). Data Platform Architect — Fokus auf die technische Plattform, auf der die Daten liegen (Infrastruktur- / Tooling-Ebene — „worauf die Daten leben“): Design der Cloud-Datenplattform (Setup von Databricks / Snowflake), Compute- / Storage-Architektur, Tooling der Datenplattform (Stack für Ingestion + Orchestrierung + Transformation + Katalog), Skalierbarkeit der Plattform + Kostenoptimierung, Self-Service-Datenplattform (für Data Mesh). Mehr Überschneidung mit DevOps / Platform Engineering. Data Warehouse Architect — engere Spezialisierung: Fokus speziell auf DWH-Design (dimensionale Modellierung in der Tiefe, ETL/ELT für das Warehouse, BI-Enablement). Data Modeler — die engste Rolle: Fokus nur auf Datenmodellierung (konzeptionelle / logische / physische Modelle, ER-Diagramme) — oft Mid-Level, kein vollwertiger Architekt. Master Data Architect — MDM-Spezialisierung (Master Data Management — Single Source of Truth für Kernentitäten — Kunde / Produkt / usw.). Information Architect — Überschneidung — Data Governance + Informationslebenszyklus + Taxonomie + Metadaten. Realität 2026: In kleinen / mittleren Organisationen macht ein Data Architect alles. In großen — Spezialisierung (Data Platform Architect + Data Warehouse Architect + Data Modeler + Master Data Architect — getrennte Rollen). Karrierewahl: allgemeiner Data Architect für die Breite; Data Platform Architect, wenn Sie Infrastruktur / Tooling in der Tiefe mögen; Data Warehouse Architect, wenn Sie dimensionale Modellierung + Analytics mögen; Master Data Architect, wenn Sie Governance / MDM mögen.
Wie beginnt man 2026 den Weg zum Data Architect?
Roadmap (Data Architect — Senior-Ebene, der Weg führt über den Senior Data Engineer): 1) Ein starker Senior Data Engineer werden — Voraussetzung. 5+ Jahre Praxis: Datenpipelines, Arbeit mit dem Warehouse, SQL-Meisterschaft, praktisches Verständnis von Daten-Tools. 2) Datenmodellierung beherrschen — das ist die Kernkompetenz eines Data Architect. Dimensionale Modellierung (Kimball — „The Data Warehouse Toolkit“ von Ralph Kimball — kanonisch), der 3NF-Ansatz nach Inmon, Data Vault 2.0 („Building a Scalable Data Warehouse with Data Vault 2.0“ von Dan Linstedt). Konzeptionelle / logische / physische Modellierung. 3) SQL in der Tiefe — ein Data Architect muss Abfragemuster + Performance + Optimierung tief verstehen. 4) Cloud-Datenplattformen — wählen Sie eine für die Tiefe: Snowflake (Marktführer — Snowflake-Zertifizierungen) oder Databricks (Lakehouse — Databricks-Zertifizierungen) oder BigQuery. Praktische Erfahrung in Design + Aufbau. 5) Moderner Daten-Stack — dbt (De-facto-Schicht für Transformation + Modellierung 2026 — dbt-Zertifizierung), Datenorchestrierung (Airflow / Dagster), ELT-Muster, CDC (Debezium). 6) Muster der Datenarchitektur — Warehouse vs. Lake vs. Lakehouse vs. Data Mesh vs. Data Fabric tief verstehen (wann was). „Fundamentals of Data Engineering“ von Joe Reis / Matt Housley (kanonisch 2026 — Pflichtlektüre, behandelt Architektur). 7) Data Mesh — „Data Mesh“ von Zhamak Dehghani (wenn Sie in einer großen Organisation arbeiten / arbeiten werden). 8) Data Governance — Datenkataloge (Collibra / Alation / DataHub / OpenMetadata), Data Lineage, Datenqualität (Great Expectations / Soda), MDM-Konzepte, Data Contracts (im Aufwind 2024+), Datenschutz (DSGVO / 152-FZ). 9) Offene Tabellenformate — Apache Iceberg (im Aufwind 2026) / Delta Lake / Apache Hudi — entscheidend für das Lakehouse. 10) Semantic Layer — dbt Semantic Layer / Cube — Konsistenz der Kennzahlen. 11) Soft Skills — Daten sind funktionsübergreifend (Engineers + Analysten + Business + Security), nötig sind Stakeholder-Management + Kommunikation der Datenstrategie + Moderation der Governance. 12) Praxis in der aktuellen Rolle — übernehmen Sie als Senior Data Engineer Aufgaben auf Architekturebene: Design des Datenmodells, Auswahl der Plattform, Aufbau der Governance. Russische Kurse: Otus „Data Architect“ / „DWH Analyst“, Karpov.Courses (Data Engineering — Überschneidung), Datenschulen von Unternehmen, Arenadata-Schulungen. International (EN): „The Data Warehouse Toolkit“ von Kimball (kanonische dimensionale Modellierung), „Fundamentals of Data Engineering“ von Reis / Housley (Pflichtlektüre 2026), „Data Mesh“ von Dehghani, offizielle Zertifizierungen + Schulungen von Snowflake / Databricks, dbt Learn (kostenlos), Data-Engineering-Tracks bei DataCamp / Coursera. Senior Data Engineer (5+ Jahre) + Meisterschaft in der Datenmodellierung + Expertise in Cloud-Datenplattformen → Data Architect.
Wie viele offene Stellen enthält diese Stichprobe?
Die veröffentlichte Stichprobe enthält 620 offene Stellen nach Zusammenführung erneuter Veröffentlichungen. Dies entspricht dem Wert der Hauptkennzahl. Der geografische Abschnitt beschreibt die Abdeckung der Stichprobe; dies ist keine Schätzung des gesamten Marktes.
Welche Fähigkeiten braucht ein Senior Data Architect?
Ein Senior Data Architect verantwortet den gesamten Zyklus aus Datenarchitektur + technischer Führung. Beherrschung der Datenmodellierung: dimensionale Modellierung (Kimball — Star- / Snowflake-Schemata + Fakten/Dimensionen in der Tiefe), 3NF / Enterprise-DWH nach Inmon, Data Vault 2.0 (Hubs / Links / Satellites — agiles DWH), konzeptionelle / logische / physische Modellierung, ER-Modellierung. Tiefe Beherrschung von SQL: komplexe Abfragen, Abfrageoptimierung, Verständnis von Ausführungsplänen — ein Data Architect muss tief verstehen, wie Daten abgefragt werden. Beherrschung einer Cloud-Datenplattform: eine von Snowflake / Databricks / BigQuery in der Tiefe — Architekturentwurf, Performance-Optimierung, Kostenoptimierung (Datenplattformen sind teuer, die Kostenarchitektur ist kritisch). Muster der Datenarchitektur: Warehouse / Lake / Lakehouse / Data Mesh / Data Fabric — Abwägungen kennen + wann man sie anwendet (kein Cargo-Kult). Lakehouse-Entwurf (offene Tabellenformate — Iceberg / Delta Lake / Hudi). Moderner Data Stack: dbt (Transformation + Modellierung + semantische Schicht), Orchestrierung (Airflow / Dagster), ELT-Muster, CDC (Debezium), Streaming (Kafka) auf Architekturebene. Architektur der Datenintegration: Vereinheitlichung von Batch + Streaming, Strategie der Datenaufnahme, Source-to-Target-Mapping. Beherrschung von Data Governance: Strategie für Datenkataloge (Collibra / Alation / DataHub / OpenMetadata), Data Lineage, Frameworks für Datenqualität (Great Expectations / Soda), Master Data Management (MDM), Datenklassifizierung + Datenschutz (Compliance mit PII / DSGVO / 152-FZ in der Datenarchitektur), Data Contracts (Vereinbarungen zwischen Produzenten und Konsumenten formalisieren — im Aufwind 2024+). Semantische Schicht: Konsistenz der Kennzahlen (dbt Semantic Layer / Cube — Single Source of Truth). Datenstrategie: Roadmap der Datenplattform, Build-vs-Buy für Datentools, Betriebsmodell des Datenteams (zentralisiert vs. dezentral im Data Mesh). Systementwurf für Daten: eine Datenplattform im großen Maßstab am Whiteboard entwerfen (Daten im PB-Bereich, 1000er Tabellen, Echtzeit + Batch), Kapazitätsplanung, Abwägungen zwischen Performance + Kosten. Domänenübergreifendes Wissen: Verständnis von Data Engineering (Realität der Umsetzung), Analytics / BI (Bedürfnisse der Konsumenten), Sicherheit (Datenschutz), Enterprise Architecture (Kontext auf Organisationsebene). Soft Skills: Stakeholdermanagement (Daten sind funktionsübergreifend: Ingenieure + Analysten + Unternehmen + Sicherheit + Compliance), Kommunikation der Datenstrategie an die Führung, Moderation der Data Governance, Mentoring von Data Engineers. Englisch ab Senior+ PFLICHT — die Dokumentation der Cloud-Datenplattformen + die Daten-Community + die Kommunikation in internationalen Teams sind englischsprachig. Optionaler Bonus: Zertifizierungen für Cloud-Datenplattformen (Snowflake / Databricks), dbt-Zertifizierung, Konferenzvorträge (Datenkonferenzen), Erfahrung mit der Einführung von Data Mesh — steigern den Marktwert für Rollen als Principal / Chief Data Architect deutlich.
Anfrage hinterlassen
Beschreiben Sie die Aufgabe und hinterlassen Sie einen Kontakt — die Anfrage geht in unser CRM, und wir antworten über den angegebenen Kontakt.